PairwiseKernel

классsklearn.gaussian_process.kernels.PairwiseKernel(gamma=1.0, gamma_bounds=(1e-05, 100000.0), metric='linear', pairwise_kernels_kwargs=None)[source]

Обёртка для ядер в sklearn.metrics.pairwise.

Тонкая обёртка вокруг функциональности ядер в sklearn.metrics.pairwise.

Примечание: Вычисление градиента eval_gradient не аналитическое, а численное, и все

ядра поддерживают только изотропные расстояния. Параметр gamma рассматривается как гиперпараметр и может быть оптимизирован. Другие параметры ядра устанавливаются непосредственно при инициализации и остаются фиксированными.

Добавлен в версии 0.18.

Параметры:

gammafloat, по умолчанию=1.0

Параметр gamma ядра, заданного метрикой. Он должен быть положительным.

gamma_boundsпара из чисел с плавающей точкой >= 0 или “fixed”, по умолчанию=(1e-5, 1e5)

Нижняя и верхняя граница для ‘gamma’. Если установлено “fixed”, ‘gamma’ нельзя изменить во время настройки гиперпараметров.

metric{“linear”, “additive_chi2”, “chi2”, “poly”, “polynomial”, “rbf”, “laplacian”, “sigmoid”, “cosine”} или вызываемый объект, по умолчанию=”linear”

Метрика для вычисления ядра между экземплярами в массиве признаков. Если метрика — строка, она должна быть одной из метрик в pairwise.PAIRWISE_KERNEL_FUNCTIONS. Если метрика — “precomputed”, X предполагается матрицей ядра. В противном случае, если метрика — вызываемый объект, она вызывается для каждой пары экземпляров (строк), и возвращаемое значение записывается. Вызываемый объект должен принимать два массива из X в качестве входных данных и возвращать значение, указывающее расстояние между ними.

pairwise_kernels_kwargsdict, по умолчанию=None

Все записи этого словаря (если таковые имеются) передаются в качестве ключевых аргументов функции ядра пар.

Примеры

>>> from sklearn.datasets import load_iris
>>> from sklearn.gaussian_process import GaussianProcessClassifier
>>> from sklearn.gaussian_process.kernels import PairwiseKernel
>>> X, y = load_iris(return_X_y=True)
>>> kernel = PairwiseKernel(metric='rbf')
>>> gpc = GaussianProcessClassifier(kernel=kernel,
...         random_state=0).fit(X, y)
>>> gpc.score(X, y)
0.9733...
>>> gpc.predict_proba(X[:2,:])
array([[0.8880..., 0.05663..., 0.05532...],
       [0.8676..., 0.07073..., 0.06165...]])

__call__(X, Y=None, eval_gradient=False)[source]

Возвращает ядро k(X, Y) и, необязательно, его градиент.

Параметры:

Xndarray формы (n_samples_X, n_features)

Левый аргумент возвращаемого ядра k(X, Y)

Yndarray формы (n_samples_Y, n_features), по умолчанию=None

Правый аргумент возвращаемого ядра k(X, Y). Если None, вычисляется k(X, X) вместо этого.

eval_gradientbool, по умолчанию=False

Определяет, вычисляется ли градиент по отношению к логарифму гиперпараметра ядра. Поддерживается только когда Y равно None.

Возвращает:

Kndarray формы (n_samples_X, n_samples_Y)

Ядро k(X, Y)

K_gradientndarray формы (n_samples_X, n_samples_X, n_dims), необязательно

Градиент ядра k(X, X) по отношению к логарифму гиперпараметра ядра. Возвращается только тогда, когда eval_gradient равно True.

свойствоbounds

Возвращает логарифмически преобразованные границы на theta.

Возвращает:

boundsndarray формы (n_dims, 2)

Логарифмически преобразованные границы на гиперпараметры ядра theta

clone_with_theta(theta)[source]

Возвращает клон self с заданными гиперпараметрами theta.

Параметры:

thetandarray формы (n_dims,)

Гиперпараметры

diag(X)[source]

Возвращает диагональ ядра k(X, X).

Результат этого метода идентичен np.diag(self(X)); однако, он может быть вычислен более эффективно, так как вычисляется только диагональ.

Параметры:

Xndarray формы (n_samples_X, n_features)

Левый аргумент возвращаемого ядра k(X, Y)

Возвращает:

K_diagndarray формы (n_samples_X,)

Диагональ ядра k(X, X)

get_params(deep=True)[source]

Получить параметры этого ядра.

Параметры:

deepbool, по умолчанию=True

Если True, вернёт параметры для этого оценщика и вложенных под-объектов, являющихся оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные со значениями.

свойствоhyperparameters

Возвращает список всех спецификаций гиперпараметров.

is_stationary()[source]

Возвращает, является ли ядро стационарным.

свойствоn_dims

Возвращает количество нефиксированных гиперпараметров ядра.

свойствоrequires_vector_input

Возвращает, определено ли ядро на векторах признаков фиксированной длины или общих объектах. По умолчанию True для обратной совместимости.

set_params(**params)[source]

Установить параметры этого ядра.

Метод работает как с простыми ядрами, так и с вложенными ядрами. Последние имеют параметры вида <component>__<parameter> для возможности обновления каждого компонента вложенного объекта.

Возвращает:

self

свойствоtheta

Возвращает (сглаженные, логарифмически преобразованные) нефиксированные гиперпараметры.

Обратите внимание, что theta обычно являются логарифмически преобразованными значениями гиперпараметров ядра, так как эта форма пространства поиска более удобна для поиска гиперпараметров, поскольку такие гиперпараметры, как масштабы, естественным образом находятся на логарифмической шкале.

Возвращает:

thetandarray формы (n_dims,)

Нефиксированные, логарифмически преобразованные гиперпараметры ядра